Pembelajaran Pemindahan dengan Model Topik NMF
Pembelajaran Pemindahan dengan Model Topik NMF mengaplikasikan pengetahuan daripada domain sumber yang berlabel atau kaya data untuk meningkatkan penemuan topik Faktorisasi Matriks Tak Negatif (NMF) dalam domain sasaran berliterasi rendah. Dengan memulakan atau mengehadkan matriks asas NMF dengan topik domain sumber, model ini menemui topik sasaran yang koheren walaupun dokumen domain sasaran jarang atau tidak berlabel.
Baca kaedah sepenuhnya
Log masuk dengan akaun percuma untuk membaca bahagian ini.
Method map
The neighbourhood of related methods — select a node to explore.
Sumber
- Pan, S. J., & Yang, Q. (2010). A Survey on Transfer Learning. IEEE Transactions on Knowledge and Data Engineering, 22(10), 1345–1359. DOI: 10.1109/TKDE.2009.191 ↗
- Lee, D. D., & Seung, H. S. (1999). Learning the parts of objects by non-negative matrix factorization. Nature, 401(6755), 788–791. DOI: 10.1038/44565 ↗
Cara memetik halaman ini
ScholarGate. (2026, June 3). Transfer Learning with Non-Negative Matrix Factorization Topic Model. ScholarGate. https://scholargate.app/ms/deep-learning/transfer-learning-with-nmf-topic-model
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- Model Topi NMF Adaptif DomainPembelajaran Mendalam↔ compare
- Model Topik LDAPembelajaran Mendalam↔ compare
- Model Topikal NMFPembelajaran Mendalam↔ compare
- Pemodelan TopikPembelajaran Mendalam↔ compare
- Pembelajaran Pindahan dengan Model Topik LDAPembelajaran Mendalam↔ compare
Dirujuk oleh
Terjumpa masalah pada halaman ini? Laporkan atau cadangkan pembetulan →